Laten we beginnen met in te zien dat een hogere omzet een goede zaak voor u is, en dat het vergroten van de beschikbaarheid van de reserveonderdelen die u levert een goede zaak is voor uw klanten.

Maar laten we ook erkennen dat een toenemende beschikbaarheid van artikelen niet noodzakelijkerwijs leidt tot hogere inkomsten. Als u verkeerd plant en uiteindelijk overtollige voorraad aanhoudt, kan het netto-effect goed zijn voor uw klanten, maar zeker slecht voor u. Er moet een goede manier zijn om dit tot een win-win te maken, als het maar kan worden herkend.

Om hier de juiste beslissing te nemen, moet u systematisch over het probleem nadenken. Dat vereist dat u probabilistische modellen van het voorraadbeheerproces gebruikt.

Een scenario

Laten we eens kijken naar een specifiek, realistisch scenario. Heel wat factoren zijn van invloed op de resultaten:

• Het artikel: een specifiek reserveonderdeel voor een klein volume.
• Vraaggemiddelde: gemiddeld 0,1 eenheden per dag (dus zeer "intermitterend")
• Standaardafwijking van de vraag: 0,35 eenheden per dag (dus zeer variabel of "oververspreid").
• Gemiddelde doorlooptijd leverancier: 5 dagen.
• Eenheidsprijs: $100.
• Bewaarkosten per jaar als % van eenheidskosten: 10%.
• Bestelkosten per PO-snede: $25.
• Gevolgen stockout: omzetverlies (dus een competitieve markt, geen backorders).
• Tekortkosten per verloren verkoop: $100.
• Doelstelling serviceniveau: 85% (dus 15% kans op een stockout in elke aanvullingscyclus).
• Voorraadbeheerbeleid: Periodieke beoordeling/Order-up-to (ook wel at (T,S)-beleid genoemd)

Voorraadbeheerbeleid

Een woord over het voorraadbeheerbeleid. Het (T,S)-beleid is een van de vele die in de praktijk gebruikelijk zijn. Hoewel er andere, efficiëntere beleidsregels zijn (ze wachten bijvoorbeeld niet tot T dagen zijn verstreken voordat ze de voorraad aanpassen), is (T,S) een van de eenvoudigste en daarom behoorlijk populair. Het werkt als volgt: elke T dagen controleer je hoeveel eenheden je op voorraad hebt, zeg X eenheden. Vervolgens bestelt u SX-eenheden, die verschijnen na de doorlooptijd van de leverancier (in dit geval 5 dagen). De T in (T,S) is het "bestelinterval", het aantal dagen tussen bestellingen; de S is het "order-up-to-niveau", het aantal eenheden dat u bij de hand wilt hebben aan het begin van elke aanvullingscyclus.

Om het meeste uit dit beleid te halen, moet u verstandig waarden van T en S kiezen. Verstandig kiezen betekent dat u niet kunt winnen door te raden of door eenvoudige vuistregels te gebruiken, zoals "Houd een gemiddelde van 3 x de gemiddelde vraag bij de hand." Slechte keuzes van T en S schaden zowel uw klanten als uw bedrijfsresultaten. En te lang vasthouden aan keuzes die ooit goed waren, kan resulteren in slechte prestaties als een van de bovenstaande factoren aanzienlijk verandert, dus de waarden van T en S moeten zo nu en dan opnieuw worden berekend.

De slimme manier om de juiste waarden van T en S te kiezen, is door probabilistische modellen te gebruiken die zijn gecodeerd in geavanceerde software. Het gebruik van software is essentieel wanneer u moet opschalen en waarden van T en S moet kiezen die geschikt zijn voor niet één item, maar voor honderden of duizenden.

Analyse van scenario

Laten we eens kijken hoe we in dit scenario geld kunnen verdienen. Wat is het voordeel? Als er geen kosten zouden zijn, zou deze post gemiddeld $3.650 per jaar kunnen genereren: 0,1 eenheden/dag x 365 dagen x $100/eenheid. Daarvan worden de bedrijfskosten afgetrokken, bestaande uit voorraad-, bestel- en tekortkosten. Elk van deze zal afhangen van uw keuzes van T en S.

De software geeft specifieke getallen: het instellen van T = 321 dagen en S = 40 eenheden resulteert in gemiddelde jaarlijkse bedrijfskosten van $604, wat een verwachte marge oplevert van $3.650 – $604 = $3.046. Zie tabel 1, linkerkolom. Dit gebruik van software wordt 'voorspellende analyse' genoemd omdat het input van het systeemontwerp vertaalt in schattingen van een belangrijke prestatie-indicator, marge.

Bedenk nu of u het beter kunt doen. Het doel van het serviceniveau in dit scenario is 85%, wat een enigszins ontspannen standaard is die geen aandacht zal trekken. Wat als u uw klanten een 99%-serviceniveau zou kunnen bieden? Dat klinkt als een duidelijk concurrentievoordeel, maar zou het uw marge verminderen? Niet als je de waarden van T en S goed aanpast.

Door T = 216 dagen en S = 35 eenheden in te stellen, worden de gemiddelde jaarlijkse bedrijfskosten verlaagd tot $551 en wordt de verwachte marge verhoogd tot $3.650 – $551 = $3.099. Zie tabel 1, rechterkolom. Dit is de win-win die we wilden: hogere klanttevredenheid en ongeveer 2% meer omzet. Dit gebruik van de software wordt "gevoeligheidsanalyse" genoemd omdat het laat zien hoe gevoelig de marge is voor de keuze van het serviceniveaudoel.

Software kan u ook helpen de complexe, willekeurige dynamiek van voorraadbewegingen te visualiseren. Een bijproduct van de analyse die tabel 1 vulde, zijn grafieken die de willekeurige paden laten zien die door de voorraad worden afgelegd terwijl deze afneemt gedurende een aanvullingscyclus. Figuur 1 toont een selectie van 100 willekeurige scenario's voor het scenario waarin de service level target 99% is. In de figuur resulteerde slechts 1 van de 100 scenario's in een stockout, wat de juistheid van de keuze voor order-up-to-level bevestigt.

Overzicht

Het beheer van voorraden reserveonderdelen wordt vaak lukraak gedaan met behulp van onderbuikgevoel, gewoonte of verouderde vuistregel. Op deze manier doorgaan is geen betrouwbaar en reproduceerbaar pad naar een hogere marge of hogere klanttevredenheid. Waarschijnlijkheidstheorie, gedestilleerd tot waarschijnlijkheidsmodellen en vervolgens gecodeerd in geavanceerde software, vormt de basis voor coherente, efficiënte richtlijnen voor het beheren van reserveonderdelen op basis van feiten: vraagkenmerken, doorlooptijden, serviceniveaudoelen, kosten en andere factoren. De hier geanalyseerde scenario's illustreren dat het mogelijk is om zowel een hoger serviceniveau als een hogere marge te realiseren. Een groot aantal scenario's die hier niet worden weergegeven, biedt manieren om hogere serviceniveaus te bereiken, maar marge te verliezen. Gebruik de software.

Twee voorraadproblemen

Als je zowel dingen maakt als verkoopt, bezit je twee voorraadproblemen. Bedrijven die dingen verkopen, moeten zich onophoudelijk concentreren op het hebben van voldoende productvoorraad om aan de vraag van de klant te voldoen. Fabrikanten en activa-intensieve industrieën zoals energieopwekking, openbaar vervoer, mijnbouw en raffinage hebben een extra voorraadprobleem: voldoende reserveonderdelen hebben om hun machines draaiende te houden. In deze technische samenvatting worden de basisprincipes van twee probabilistische modellen van machinestoringen besproken. Het relateert ook de beschikbaarheid van machines aan de toereikendheid van de voorraad reserveonderdelen.

Modellering van het falen van een machine die wordt behandeld als een "zwarte doos"

Net zoals de vraag naar producten inherent willekeurig is, geldt dat ook voor de timing van machinestoringen. Evenzo, net zoals probabilistische modellering de juiste manier is om met willekeurige vraag om te gaan, is het ook de juiste manier om met willekeurige storingen om te gaan.

Modellen van machinestoringen hebben twee componenten. De eerste gaat over de willekeurige duur van uptime. De tweede gaat over de willekeurige duur van downtime.

Het veld van betrouwbaarheid theorie biedt verschillende standaard waarschijnlijkheidsmodellen die de willekeurige tijd beschrijven tot het uitvallen van een machine zonder rekening te houden met de reden voor het uitvallen. Het eenvoudigste model van uptime is de exponentiële verdeling. Dit model zegt dat de gevaar tarief, dwz de kans op falen in het volgende moment, is constant, ongeacht hoe lang het systeem in werking is. Het exponentiële model is goed in het modelleren van bepaalde soorten systemen, met name elektronica, maar het is niet universeel toepasbaar.

Download de whitepaper

De volgende stap omhoog in modelcomplexiteit is de Weibull model (uitgesproken als "WHY-bull"). De Weibull-verdeling maakt het mogelijk dat het risico van falen in de loop van de tijd verandert, ofwel afneemt na een inbrandperiode, ofwel vaker toeneemt naarmate slijtage zich ophoopt. De exponentiële verdeling is een speciaal geval van de Weibull-verdeling waarin de risicograad niet toeneemt of afneemt.

Figuur 1: Drie verschillende Weibull-overlevingscurven

Figuur 1 illustreert de waarschijnlijkheid van het Weibull-model dat een machine nog steeds draait als functie van hoe lang deze al draait. Er zijn drie curven die overeenkomen met constante, afnemende en toenemende risicopercentages. Om voor de hand liggende redenen worden deze genoemd overlevingscurven omdat ze de overlevingskans voor verschillende tijdsperioden uitzetten (maar ze worden ook wel betrouwbaarheidscurven). De zwarte curve die hoog begint en snel daalt (β=3) geeft een machine weer die met de jaren verslijt. De lichtste curve in het midden snel (β=1) toont de exponentiële verdeling. De medium-donkere curve (β=0,5) is er een die een hoog percentage vroege risico's heeft, maar beter wordt met de leeftijd.

Er is natuurlijk nog een ander fenomeen dat in de analyse moet worden meegenomen: downtime. Het modelleren van downtime is waar voorraadtheorie in beeld komt. Downtime wordt gemodelleerd door een combinatie van twee verschillende distributies. Als er een reserveonderdeel beschikbaar is om het defecte onderdeel te vervangen, kan de downtime erg kort zijn, bijvoorbeeld één dag. Maar als er geen reserve op voorraad is, kan de downtime behoorlijk lang zijn. Zelfs als de reserve snel kan worden verkregen, kan het enkele dagen of een week duren voordat de machine kan worden gerepareerd. Als het reserveonderdeel door een verre leverancier moet worden vervaardigd en over zee moet worden vervoerd en vervolgens per spoor moet worden vervoerd naar uw fabriek, kan de uitvaltijd weken of maanden zijn. Dit alles betekent dat het bijhouden van een goede inventaris van reserveonderdelen erg belangrijk is om de productie op gang te houden.

Bij dit geaggregeerde type analyse wordt de machine behandeld als een zwarte doos die werkt of niet. Hoewel de details worden genegeerd van welk onderdeel het heeft begeven en wanneer, is een dergelijk model nuttig voor het inschatten van de pool van machines die nodig is om met grote waarschijnlijkheid een minimaal niveau van productiecapaciteit te handhaven.

De binominale verdeling is het waarschijnlijkheidsmodel dat relevant is voor dit probleem. De binominale is hetzelfde model dat bijvoorbeeld de verdeling beschrijft van het aantal "koppen" dat resulteert uit twintig worpen van een munt. In het machinebetrouwbaarheidsprobleem komen de machines overeen met munten, en een resultaat van koppen komt overeen met het hebben van een werkende machine.

Als voorbeeld, als

• de kans dat een bepaalde machine op een bepaalde dag draait, is 90%
• machinestoringen zijn onafhankelijk (bijv. geen overstroming of tornado om ze allemaal in één keer weg te vagen)
• je hebt minimaal een kans van 95% nodig dat er op een bepaalde dag minstens 5 machines draaien

dan schrijft het binominale model zeven machines voor om je doel te bereiken.

Modellering van machinestoringen op basis van componentstoringen

Het Weibull-model kan ook worden gebruikt om het falen van een enkel onderdeel te beschrijven. Elke realistisch complexe productiemachine heeft echter meerdere onderdelen en heeft daarom meerdere faalwijzen. Dit betekent dat het berekenen van de tijd totdat de machine uitvalt een analyse vereist van een "race naar mislukking", waarbij elk onderdeel strijdt om de "eer" om als eerste te falen.

Als we de redelijke aanname maken dat onderdelen onafhankelijk van elkaar falen, wijst de standaardkanstheorie de weg naar het combineren van de modellen van het falen van individuele onderdelen tot een algemeen model van machinefalen. De tijd tot het eerste van vele onderdelen faalt heeft een poly-Weibull verdeling. Op dit punt kan de analyse echter behoorlijk ingewikkeld worden, en de beste stap zou kunnen zijn om over te schakelen van analyse-per-vergelijking naar analyse-per-simulatie.

Machinestoring simuleren op basis van de details van defecte onderdelen

Simulatieanalyse kreeg zijn moderne start als een spin-off van het Manhattan-project om de eerste atoombom te bouwen. De methode wordt ook vaak genoemd Monte Carlo simulatie naar het grootste gokcentrum ter wereld vroeger (vandaag zou het "Macau-simulatie" zijn).

Een simulatiemodel zet de logica van de opeenvolging van willekeurige gebeurtenissen om in overeenkomstige computercode. Vervolgens gebruikt het door de computer gegenereerde (pseudo-)willekeurige getallen als brandstof om het simulatiemodel aan te drijven. De faaltijd van elk onderdeel wordt bijvoorbeeld gemaakt door te putten uit de specifieke Weibull-faaltijdverdeling. Dan begint de vroegste van die storingstijden met de volgende episode van machinestilstand.

Afbeelding 2: een simulatie van de bedrijfstijd van een machine gedurende een jaar

Figuur 2 toont de resultaten van een simulatie van de uptime van een enkele machine. Machines doorlopen afwisselende periodes van uptime en downtime. In deze simulatie wordt aangenomen dat uptime een exponentiële verdeling heeft met een gemiddelde duur (MTBF = Mean Time Before Failure) van 30 dagen. Downtime heeft een 50:50 verdeling tussen 1 dag als er een reserve beschikbaar is en 30 dagen als dat niet het geval is. In de simulatie weergegeven in figuur 2 werkt de machine gedurende 85% van de dagen in één jaar in bedrijf.

Een geschatte formule voor machine-uptime

Hoewel Monte Carlo-simulatie nauwkeurigere resultaten kan opleveren, doet een eenvoudiger algebraïsch model het goed als benadering en maakt het gemakkelijker om te zien hoe de belangrijkste variabelen zich verhouden.

Definieer de volgende sleutelvariabelen:

• MTBF = Mean Time Before Failure (dagen)
• Pa = waarschijnlijkheid dat er een reserveonderdeel beschikbaar is wanneer dat nodig is
• MDTshort = Mean Down Time als er een reserve beschikbaar is wanneer dat nodig is
• MDTlong = Mean Down Time als er geen reserve beschikbaar is wanneer dat nodig is
• Uptime = Percentage dagen dat de machine in bedrijf is.

Dan is er een eenvoudige benadering voor de Uptime:

Uptime ≈ 100 x MTBF/(MTBF + MDTkort x Pa + MDTlang x (1-Pa)). (Vergelijking 1)

Vergelijking 1 vertelt ons dat de uptime afhangt van de beschikbaarheid van een reserve. Als er altijd een reserve is (Pa=1), bereikt de uptime een piekwaarde van ongeveer 100 x MTBF/(MTBF + MDTshort). Als er nooit een reserve beschikbaar is (Pa=0), bereikt de uptime de laagste waarde van ongeveer 100 x MTBF/(MTBF + MDTlong). Wanneer de reparatietijd ongeveer net zo lang is als de normale tijd tussen storingen, zakt de uptime naar een onaanvaardbaar niveau in de buurt van 50%. Als er altijd een reserve beschikbaar is, kan de uptime de 100% benaderen.

Het relateren van machinestilstand aan de inventaris van reserveonderdelen

Het minimaliseren van uitvaltijd vereist een meervoudig initiatief met intensieve training van de machinist, gebruik van hoogwaardige grondstoffen, effectief preventief onderhoud en adequate reserveonderdelen. De eerste drie stellen de voorwaarden voor goede resultaten. De laatste gaat over onvoorziene omstandigheden.

Als een machine eenmaal uitvalt, vliegt het geld de deur uit en is er een premie om het snel weer op gang te krijgen. Deze scène kan zich op twee manieren afspelen. De goede heeft een reserveonderdeel klaarliggen, zodat de uitvaltijd tot een minimum kan worden beperkt. De slechte heeft geen reserveonderdelen beschikbaar, dus er is een strijd om de levering van het benodigde onderdeel te bespoedigen. In dit geval moet de fabrikant zowel de kosten van verloren productie als de kosten van versnelde verzending dragen, als dat al een optie is.

Als het voorraadsysteem goed is ontworpen, zal de beschikbaarheid van reserveonderdelen geen grote belemmering vormen voor de inzetbaarheid van de machine. Met het ontwerp van een voorraadsysteem bedoel ik de resultaten van verschillende keuzes: of het tekortbeleid een nabestellingsbeleid of een verliesbeleid is, of de inventarisatiecyclus periodiek of continu is, en welke bestelpunten en bestelhoeveelheden worden vastgesteld.

Wanneer voorraadbeleid voor producten wordt ontworpen, worden ze beoordeeld aan de hand van verschillende criteria. Serviceniveau is het percentage van de bevoorradingsperioden dat verstrijkt zonder dat er sprake is van voorraaduitval. Fill Rate is het percentage bestelde eenheden dat direct uit voorraad wordt geleverd. Het gemiddelde voorraadniveau is het typische aantal beschikbare eenheden.

Geen van deze is precies de maatstaf die nodig is voor de opslag van reserveonderdelen, hoewel ze allemaal gerelateerd zijn. De benodigde maatstaf is Artikelbeschikbaarheid, het percentage dagen waarin er ten minste één reserve klaar is voor gebruik. Hogere serviceniveaus, opvullingspercentages en voorraadniveaus impliceren allemaal een hoge itembeschikbaarheid en er zijn manieren om van de ene naar de andere om te schakelen. (Wanneer meerdere machines dezelfde voorraad reserveonderdelen delen, wordt voorraadbeschikbaarheid vervangen door de waarschijnlijkheidsverdeling van het aantal reserveonderdelen op een bepaalde dag. We laten dat complexere probleem voor een andere dag liggen.)

Het is duidelijk dat het aanhouden van een goede voorraad reserveonderdelen de kosten van machinestilstand vermindert. Natuurlijk zorgt het aanhouden van een goede voorraad reserveonderdelen voor eigen voorraad- en bestelkosten. Dit is het tweede voorraadprobleem van de fabrikant. Zoals bij elke beslissing met betrekking tot inventaris, is het belangrijk om de juiste balans te vinden tussen deze twee concurrerende kostenplaatsen. Zien dit artikel over probabilistische prognoses voor intermitterende vraag voor begeleiding bij het vinden van dat evenwicht.

Service Level Driven Planning (SLDP) is een benadering van voorraadplanning. Het schrijft optimale doelen voor het serviceniveau voor, identificeert en communiceert continu afwegingen tussen service en kosten die aan de basis liggen van alle verstandige voorraadbeslissingen. Wanneer een organisatie deze relatie begrijpt, kunnen ze communiceren waar ze risico lopen en waar niet, en kunnen ze effectief omgaan met hun inventarismiddelen. SLDP helpt voorraadonevenwichtigheden bloot te leggen en maakt weloverwogen beslissingen mogelijk over hoe deze het beste kunnen worden gecorrigeerd. Om SLDP te implementeren, moet u verder kijken dan traditionele planningsbenaderingen, zoals willekeurige targeting op serviceniveau (al mijn A-items moeten serviceniveau 99% krijgen, B-items 95%, C-items 80%, enz.) precies voorspellen wat er gaat gebeuren en wanneer. SLDP ontvouwt zich in 4 stappen: Benchmark, Collaborate, Plan en Track.

Stap 1. Benchmarkprestaties

Alle deelnemers aan het voorraadplannings- en investeringsproces moeten een gemeenschappelijk begrip hebben van hoe het huidige beleid presteert binnen een overeengekomen reeks inventarisstatistieken. Metrieken moeten historisch bereikte serviceniveaus en opvullingspercentages, levertijd aan klanten, doorlooptijdprestaties van leveranciers, voorraadrotaties en voorraadinvesteringen omvatten. Zodra deze statistieken zijn gebenchmarkt en er dagelijks over kan worden gerapporteerd, beschikt de organisatie over de informatie die zij nodig heeft om prioriteit te geven aan planningsinspanningen. Als de voorraad bijvoorbeeld is toegenomen, maar de serviceniveaus niet, zou dit erop wijzen dat de voorraad niet correct is verdeeld over de SKU's. Rapporten moeten met muisklikken worden gegenereerd, zodat planners zich kunnen concentreren op analyse in plaats van tijdrovende rapportgeneratie. Prestaties uit het verleden zijn geen garantie voor toekomstige prestaties, aangezien variabiliteit in de vraag, kosten, prioriteiten en doorlooptijden altijd veranderen. SLDP maakt dus voorspellende benchmarking mogelijk die inschat welke prestaties in de toekomst waarschijnlijk zullen zijn. Software voor voorraadoptimalisatie gebruiken waarschijnlijkheidsvoorspelling kan worden gebruikt om een realistisch bereik van potentiële behoeften en bevoorradingscycli in te schatten, waarbij u uw planningsparameters stresstests uitvoert om te ontdekken hoe vaak en welke artikelen u op voorraad en overschotten kunt verwachten.

Stap 2. "Wat als" planning en samenwerking

"Wat als" voorraadmodellering en samenwerking vormen de kern van SLDP. De historische en voorspellende benchmarks moeten eerst worden gedeeld met alle relevante belanghebbenden, waaronder verkoop, financiën en bedrijfsvoering. Er moeten inspanningen worden geleverd om de volgende vragen te beantwoorden:

– Zijn zowel de huidige prestaties als de investering acceptabel?
– Zo nee, hoe moeten deze worden verbeterd?
– Welke SKU's zullen waarschijnlijk als volgende worden geëist en in welke hoeveelheden?
– Waar zijn we bereid meer risico te nemen?
– Waar moet het voorraadrisico worden geminimaliseerd?
– Wat zijn de specifieke voorraadkosten?
– Aan welke bedrijfsregels en beperkingen moeten we ons houden (klantenserviceniveau-overeenkomsten, voorraaddrempels, enz.)

Zodra de bovenstaande vragen zijn beantwoord, kan nieuw voorraadplanningsbeleid worden ontwikkeld. Voorraadoptimalisatiesoftware kan alle kosten in verband met voorraadbeheer met elkaar verzoenen, inclusief voorraadkosten, om de juiste set planningsparameters (min/max, veiligheidsvoorraad, bestelpunten, enz.) en voorgeschreven serviceniveaus te genereren. Het optimale beleid kan worden vergeleken met het huidige beleid en aangepast op basis van randvoorwaarden en bedrijfsregels. Bepaalde artikelen kunnen bijvoorbeeld gericht zijn op een nagestreefd serviceniveau om te voldoen aan een klantenserviceovereenkomst. Er kunnen verschillende 'wat als'-scenario's voor voorraadplanning worden ontwikkeld en gedeeld met de belangrijkste belanghebbenden. U kunt bijvoorbeeld modelleren hoe kortere doorlooptijden de voorraadkosten beïnvloeden. Zodra er consensus is bereikt en de risico's en kosten duidelijk zijn gecommuniceerd, kan het gewijzigde beleid worden geüpload naar het ERP-systeem om voorraadaanvulling te stimuleren.

Stap 3. Voortdurend plannen en beheren per uitzondering

SLDP maakt voortdurend nieuwe prognoses van geoptimaliseerde planningsparameters op basis van veranderende eisen, doorlooptijden, kosten en andere factoren. Dit betekent dat serviceniveaus en voorraadwaarde kunnen veranderen. Het voorgeschreven serviceniveau van 95% kan bijvoorbeeld in de volgende planningsperiode worden verhoogd naar 99% als de voorraadkosten voor dat artikel plotseling stijgen. Dit geldt ook als u ervoor kiest om willekeurig een bepaald serviceniveau te targeten of planningsparameters vast te leggen op een specifieke eenheidshoeveelheid. Een beoogd serviceniveau van 95% kan bijvoorbeeld vandaag $1.000 in voorraad vereisen, maar $2.000 volgende maand als de doorlooptijden pieken. Evenzo kan een bestelpunt van 10 eenheden vandaag 95%-service krijgen en volgende maand alleen 85%-service als reactie op de toegenomen vraagvariabiliteit. Voorraadoptimalisatiesoftware identificeert welke artikelen naar verwachting significante veranderingen in serviceniveau en/of voorraadwaarde zullen hebben en welke artikelen niet volgens het consensusplan worden besteld. Er worden automatisch uitzonderingslijsten gemaakt, waardoor u deze items gemakkelijk kunt bekijken en kunt beslissen hoe u ze in de toekomst wilt beheren. Prescriptieve analyses kunnen helpen vaststellen of de hoofdoorzaak van de verandering een vraagafwijking, een verandering in de algehele variabiliteit van de vraag, een verandering in de doorlooptijd of een verandering in de kosten is, zodat u het beleid dienovereenkomstig kunt verfijnen.

Stap 4. Houd de lopende prestaties bij

SLDP-processen meten regelmatig historische en huidige operationele prestaties. De resultaten moeten worden gecontroleerd om ervoor te zorgen dat de serviceniveaus verbeteren en de voorraadniveaus afnemen in vergelijking met de historische benchmarks bepaald in stap 1. Meetstatistieken bijhouden zoals beurten, geaggregeerde en artikelspecifieke serviceniveaus, opvullingspercentages, out-of-stocks en leveranciers doorlooptijd prestaties. Deel resultaten binnen de hele organisatie en identificeer de hoofdoorzaken van operationele inefficiënties. SLDP-processen maken het bijhouden van prestaties gemakkelijk door tools te bieden die automatisch de benodigde rapporten genereren in plaats van deze last op planners te leggen om ze in Excel te beheren. Hierdoor kan de organisatie operationele problemen ontdekken die van invloed zijn op de prestaties en feedback geven over wat werkt en wat moet worden verbeterd.

Conclusie

Het SLDP-raamwerk is een manier om het voorraadplanningsproces te rationaliseren en een aanzienlijk economisch rendement te genereren. Het organiserende principe is dat klantenserviceniveaus en inventariskosten in verband met het gekozen beleid moeten worden begrepen, gevolgd en voortdurend verfijnd. Het gebruik van voorraadoptimalisatiesoftware helpt ervoor te zorgen dat u het goedkoopste serviceniveau kunt identificeren. Dit creëert een coherente, bedrijfsbrede inspanning die inzicht in de huidige activiteiten combineert met wetenschappelijke beoordelingen van toekomstige risico's en omstandigheden. Het wordt gerealiseerd door een combinatie van uitvoerende visie, inhoudelijke expertise van het personeel en de kracht van moderne software voor voorraadplanning en -optimalisatie.

Bekijk hoe Smart Inventory Optimization Service Level Driven Planning ondersteunt en download het productblad hier: https://smartcorp.com/inventory-optimization/

We stuiten regelmatig op verwarring over het proces van het instellen van veiligheidsvoorraden. Deze blog hoopt duidelijkheid te scheppen over het probleem.

Veiligheidsvoorraad is een cruciaal onderdeel in elk systeem van voorraadbeheer. Inderdaad, sommigen inventaris software behandelt veiligheidsvoorraad als de belangrijkste beslissingsvariabele in de zoektocht om de voorraadkosten af te wegen tegen de beschikbaarheid van artikelen. Helaas is die aanpak niet de beste manier om de balans te vinden.

Realiseer u eerst dat veiligheidsvoorraad deel uitmaakt van een algemene vergelijking:

Voorraaddoel = gemiddelde doorlooptijdvraag + veiligheidsvoorraad.

De gemiddelde doorlooptijdvraag wordt gedefinieerd als de gemiddelde gevraagde eenheden vermenigvuldigd met de gemiddelde doorlooptijd voor aanvulling. Voorbeeld: Als de dagelijkse vraag gemiddeld 2 eenheden bedraagt en de gemiddelde doorlooptijd 7 dagen is, dan is de gemiddelde doorlooptijdvraag 2 x 7= 14 eenheden. Het is voldoende om 14 eenheden bij de hand te houden om aan de typische vraag te voldoen.

Maar we weten allemaal dat de vraag willekeurig is, dus voldoende voorraad aanhouden om de gemiddelde doorlooptijdvraag te dekken, nodigt uit tot stockouts. Zoals we graag zeggen, "Het gemiddelde is niet het antwoord." Het slimme antwoord is om wat toe te voegen Safety stock om willekeurige pieken in de vraag op te vangen. Maar hoeveel?

Daar zit het probleem. Als je een getal voor de veiligheidsvoorraad probeert te raden, bevind je je op glad ijs. Hoe weet je wat het "juiste" nummer is? Je denkt misschien dat je je daar geen zorgen over hoeft te maken omdat je nu een goed genoeg antwoord hebt, maar dat antwoord heeft een houdbaarheidsdatum. Doorlooptijden veranderen. Dat geldt ook voor vraagpatronen. Dat geldt ook voor de prioriteiten van het bedrijf. Dat betekent dat het goede antwoord van vandaag de blunder van morgen kan worden.

Sommige bedrijven proberen het te omzeilen met een ruwe olie vuistregel aanpak. Ze kunnen bijvoorbeeld iets zeggen als "Veiligheidsvoorraad instellen op twee weken extra gemiddelde vraag." Deze benadering is verleidelijk: er is alleen eenvoudige wiskunde voor nodig en het is duidelijk. Maar om de redenen die in de vorige paragraaf zijn genoemd, is het dwaas. Liever een goed antwoord dan een handig antwoord.

Je hebt een principiële, objectieve manier nodig om de vraag te beantwoorden die rekening houdt met de wiskunde van willekeur. Meer dan dat, je hebt een antwoord nodig dat gekoppeld is aan de key performance indicators (KPI's) van het systeem: voorraadkosten en artikelbeschikbaarheid.

Simpele logica geeft je een idee van het antwoord, maar het geeft niet het aantal dat je nodig hebt. U weet dat een grotere veiligheidsvoorraad zowel de kosten als de beschikbaarheid verhoogt, terwijl een kleinere veiligheidsvoorraad beide verlaagt. Maar zonder te weten hoeveel die statistieken zullen veranderen als u de veiligheidsvoorraad verandert, kunt u de beslissing over de veiligheidsvoorraad niet afstemmen op de intentie van het management om de balans te vinden tussen kosten en beschikbaarheid.

In plaats van blind te vliegen, kunt u teruggaan naar de keuze van veiligheidsvoorraad door eerst de juiste keuze voor voorraaddoel te vinden. Als je dat eenmaal hebt gedaan, springt de veiligheidsvoorraad tevoorschijn door een simpele aftrekking:

 Veiligheidsvoorraad = voorraaddoel - gemiddelde doorlooptijdvraag.

Vaak zullen bedrijven aangeven dat ze geen veiligheidsvoorraad hebben omdat het veld voor de veiligheidsvoorraad in hun ERP-systeem leeg is. Bijna altijd wordt een veiligheidsvoorraad ingebouwd in het beoogde voorraadniveau dat ze hebben vastgesteld. Het is dus heel nuttig om de bovenstaande formule te gebruiken om "terug te halen" hoeveel veiligheidsvoorraad u in het plan aan het inbouwen bent. De sleutel is niet alleen om te weten hoeveel veiligheidsvoorraad u bij u heeft, maar ook om de link tussen uw voorraaddoel, veiligheidsvoorraden en de bijbehorende KPI's.

Stel bijvoorbeeld dat u slechts een kans van 5% kunt tolereren dat uw voorraad wordt aangevuld terwijl u wacht op aanvulling (voorraadteksten noemen dit interval de 'risicoperiode'). Software kan de vraaggeschiedenis van elk item onderzoeken en de kansen op voorraad berekenen op basis van de duizenden verschillende vraagscenario's die kunnen optreden tijdens de doorlooptijd. Dan is het juiste antwoord voor het voorraaddoel de keuze die leidt tot niet meer dan een voorraadrisico van 5%. Gegeven dat doel en de gemiddelde doorlooptijd kennende, valt de juiste waarde van de veiligheidsvoorraad er direct uit door af te trekken. Ook maak je kennis met de gemiddelde houd-, bestel- en tekortkosten.

Dat is wat we bedoelen met "terug in de veiligheidsvoorraad". Begin met de bedrijfsdoelstellingen, bepaal het juiste voorraaddoel en leid als laatste stap de veiligheidsvoorraad af. Begin niet met een gok over veiligheidsvoorraad en hoop op het beste.

​Terwijl de wereld zijn adem inhoudt om te zien hoe het nieuwe coronavirus (2019-nCOV) zich zal ontwikkelen, kruisen we onze vingers voor al diegenen die momenteel in quarantaine of onder behandeling zijn en bidden dat gezondheidsautoriteiten over de hele wereld binnenkort de overhand zullen krijgen .

Deze korte opmerking gaat over een manier waarop uw bedrijf een plan kan ontwikkelen om zich aan te passen aan een van de mogelijke gevolgen van het virus: plotselinge toename van de tijd die nodig is om voorraadaanvulling van leveranciers te krijgen. Toeleveringsketens over de hele wereld worden verstoord. Als dit jou overkomt, hoe kun je dan systematisch reageren?

Reageren op langere doorlooptijden

Dit is een probleem dat kan worden opgelost met behulp van geavanceerde supply chain-analyses. Waarschijnlijk hebt u deze technologie al gebruikt om goede keuzes te maken voor de controleparameters die worden gebruikt bij het beheer van al uw voorraaditems, bijvoorbeeld waarden voor Min en Max of bestelpunt en bestelhoeveelheid. De specifieke technische vraag die hier aan de orde komt, is hoe een toename van de doorlooptijd van aanvullingen kan worden omgezet in veranderingen in die controleparameters.

Over het algemeen vereisen langere doorlooptijden dikkere voorraden als u een hoog niveau van klantenservice wilt behouden. Deze algemene regel vertaalt zich in grotere waarden van Min en/of Max. Hoeveel groter hangt kritisch af van welke nieuwe, langere doorlooptijdwaarden zullen verschijnen en hun waarschijnlijkheid van voorkomen.

Hoewel veel planningssoftwaresystemen uitgaan van een vaste doorlooptijd, is de realiteit dat bijna alle doorlooptijden een zekere mate van willekeur hebben. Door te negeren dat willekeur het risico op stockout vergroot, is het belangrijk om een goede schatting te hebben van de waarschijnlijkheidsverdeling van doorlooptijden. In normale tijden kunnen uw transactiegegevens worden gebruikt om die relatie in te schatten. Maar plotselinge verstoringen zoals 2019-nCOV creëren ongekende situaties waarin u weloverwogen moet raden welke nieuwe vertragingen u zult zien en hoe waarschijnlijk die zijn. We gaan er hier van uit dat u zich een aantal van dergelijke scenario's kunt voorstellen en wilt uitzoeken hoe u er het beste op kunt reageren.

Een voorbeeld met behulp van geavanceerde software

Overweeg een hypothetisch voorbeeld om dit soort prospectieve planning te illustreren. Eén item, een reserveonderdeel, heeft een vast patroon van doorlooptijden voor aanvulling, met vertragingen van 5, 10 en 15 dagen met respectievelijk 15%-, 70%- en 15%-kansen. Gezien deze verdeling en een willekeurige vraag van gemiddeld één eenheid per 5 dagen, doen waarden van Min = 5 en Max = 10 het goed. Figuur 1 toont een simulatie van 10 jaar dagelijks gebruik onder dit scenario. Het opvullingspercentage en het serviceniveau zijn hoog, en stockouts komen niet vaak voor.

Stel nu dat verstoringen in de supply chain zorgen voor een minder gunstige verdeling van de doorlooptijd, met een 50:50 mix van 15 en 30 dagen. Figuur 2 laat zien hoe slecht de huidige waarden van Min en Max presteren in dit nieuwe scenario. Het vulpercentage en het serviceniveau kelderen als gevolg van frequente stockouts. Bedrijfskosten meer dan verdrievoudigd door boetes voor backorders. Alleen voorraadinvesteringen (de gemiddelde dollarwaarde van de voorraad in het schap) lijken beter te worden, maar dit gebeurt alleen omdat er zo vaak backorders zijn met niets meer op het schap. De verschuiving naar langere doorlooptijden vraagt duidelijk om nieuwe hogere waarden van Min en Max.

Afbeelding 3 laat zien hoe het systeem presteert wanneer de Min wordt verhoogd van 5 naar 10 en de Max van 10 naar 15. Deze wijziging compenseert de langere doorlooptijden en herstelt de eerdere hoge niveaus van opvullingspercentage en serviceniveau. Voorraadinvesteringen zijn noodzakelijkerwijs groter, maar de bedrijfskosten zijn in feite lager dan voorheen.

Overzicht

Veranderingen in de normale bedrijfsomstandigheden vereisen aanpassingen in de manier waarop voorraaditems worden beheerd. Een van die grote veranderingen die op deze datum opdoemt, is de potentiële impact van het 2019-nCOV Corona-virus op de toeleveringsketens, met verwachte langere bevoorradingstijden.

Wijzigingen in doorlooptijden vereisen wijzigingen in voorraadbeheerparameters zoals min's en max's. Deze wijzigingen zijn moeilijk met enig vertrouwen door te voeren met puur giswerk. Maar met enige inschatting van de toename van doorlooptijden, kunt u geavanceerde software gebruiken om met enig vertrouwen te leren hoe u deze aanpassingen kunt maken.

Deze notitie illustreert dit punt aan de hand van simulaties van de dagelijkse werking van een voorraadbeheersysteem.

Figuur 1 Simulatie van normale operaties met behulp van huidige bevoorradingsdoorlooptijden, Min en Max

Figuur 2 Simulatie van abnormale operaties met langere doorlooptijden en huidige Min en Max

Figuur 3 Simulatie van abnormale operaties met langere doorlooptijden en herziene Min en Max